firecrawl/pdf-inspector

O que é?

Recursos principais

• 01Classifica PDFs como baseados em texto, digitalizados, baseados em imagem ou mistos, com um índice de confiança.
• 02Extrai texto com informações de fonte, coordenadas e ordem de leitura para múltiplas colunas.
• 03Converte páginas para Markdown com títulos, listas, blocos de código e tabelas.
• 04Detecta tabelas delimitadas por retângulos e por heurísticas, incluindo tabelas que continuam em outras páginas.
• 05Executa OCR seletivo apenas nas páginas que precisam, com PDFium e ONNX Runtime instalados separadamente.
• 06Oferece bindings para Python, Node.js e WebAssembly no navegador, além das ferramentas de CLI pdf2md e detect-pdf.

Casos de uso

• Direcionar um pipeline de documentos para que PDFs com texto ignorem o OCR e páginas digitalizadas sejam encaminhadas para esse processo.
• Converter relatórios, artigos de pesquisa, faturas ou demonstrativos financeiros em Markdown estruturado.
• Executar a extração de texto de PDFs no navegador sem uma requisição ao servidor.
• Processar grandes coleções de PDFs em lote, analisando amostras de páginas para classificá-los rapidamente.

Início rápido

1. 1

   Instalar o pacote Python

   pip install pdf-inspector
2. 2

   Instalar as ferramentas CLI do Rust

   cargo install pdf-inspector
3. 3

   Converter um PDF para Markdown com a CLI

   pdf2md document.pdf

Antes de usar

• !O OCR seletivo opcional requer a instalação separada das bibliotecas PDFium e ONNX Runtime.
• !Páginas digitalizadas ou compostas apenas por imagens não são convertidas em texto, a menos que o OCR seja ativado, o que requer configuração adicional.

Tópicos

Perguntas frequentes

O que é pdf-inspector?

Biblioteca Rust e CLI que detectam se um PDF contém texto ou é digitalizado e convertem PDFs com texto em Markdown limpo, sem OCR. pdf-inspector é uma biblioteca Rust para classificar PDFs e extrair texto. Ela analisa amostras dos fluxos de conteúdo para determinar se um documento é TextBased, Scanned, ImageBased ou Mixed e informa um índice de confiança, além das páginas específicas sem texto. PDFs com texto podem ser extraídos localmente com informações de posição, ordem de leitura para múltiplas colunas e saída em Markdown com títulos, listas, blocos de código e tabelas.

pdf-inspector é gratuito? Qual é a licença?

pdf-inspector é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.

pdf-inspector ainda é mantido?

Manutenção ativa. O último commit de pdf-inspector foi em 7 de out. de 2026.

Para que posso usar pdf-inspector?

Direcionar um pipeline de documentos para que PDFs com texto ignorem o OCR e páginas digitalizadas sejam encaminhadas para esse processo. Converter relatórios, artigos de pesquisa, faturas ou demonstrativos financeiros em Markdown estruturado. Executar a extração de texto de PDFs no navegador sem uma requisição ao servidor. Processar grandes coleções de PDFs em lote, analisando amostras de páginas para classificá-los rapidamente.

Como instalar pdf-inspector?

Instalar o pacote Python: pip install pdf-inspector Instalar as ferramentas CLI do Rust: cargo install pdf-inspector Converter um PDF para Markdown com a CLI: pdf2md document.pdf

Onde consigo pdf-inspector?

O código-fonte e as instruções de instalação estão no GitHub: https://github.com/firecrawl/pdf-inspector